人工知能能力向上指導総括
文書ディレクトリ基礎知識 人工知能独学の道 1. 人工知能、機械学習、深さ学習の関係 2. データセット---需要 3. 深さ学習プラットフォーム比較 4. トレーニングプロセスの可視化 5. クラシックトレーニングケース 訓練共通規則 1. 目標設定 2. データセット の準備 3. モデル構築 4. トレーニングネットワークとテスト 5. 保存モデル 6. 検証モデル 7. 評価モデルの方法 参照リンク 基礎知識従来の画像処理の基本知識従来の画像処理の基本知識から、なぜニューラルネットワークが有効であるかを理解することができる. 数学統計基礎可視化学習 人工知能独学の道
直接このルートを参考にします:人工知能能力の構築とモデルのパラメータ調整の経験の共有
1.人工知能、機械学習、深い学習の関係
ブログリンク
2.データセット-需要
すべての人工知能データセットのまとめ
カナダ高級研究所CIFAR-Xシリーズデータセット解析 CIFAR-10:CIFAR-10データセットは10個の異なる種類の32 x 32カラー画像を含み、50000個の訓練図と10000個のテスト図がある. CIFAR-100:Cifar-100データセットは100クラス、60000枚の32 X 32カラーピクチャを含み、各分類は500-1000600枚のピクチャ500-100を含む. Tiny Images:このデータセットは79302017個の画像からなり、各画像は32 x 32カラー画像(500 G)である. ImageNet-ILSVRC(Large Scale Visual Recognition Challenge)AI研究員Fei-Fei Liは、1400万個以上の画像を手作業で注釈し、少なくとも100万個の画像に境界枠を提供している.ImageNetには、88、3232、64*64の一般的なカテゴリが20000以上含まれています. COCOデータセットCOCOデータセットはマイクロソフトチームが取得した画像認識、分割、表示、データセットである.330 K画像、80オブジェクトカテゴリ、各画像に5個のラベル、25万個のキー がある.
3.深さ学習プラットフォームの比較
https://en.wikipedia.org/wiki/Comparison_of_deep-learning_software
4.トレーニングプロセスの可視化
https://playground.tensorflow.org/使いやすい:https://cs.stanford.edu/people/karpathy/convnetjs/http://vision.stanford.edu/teaching/cs231n/index.html http://neuralnetworksanddeeplearning.com/chap4.html http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/
5.クラシックトレーニングケース
mnist:TensorFlow:MNIST for beginners step by step:Handwritten Digit Recognitionusing Convolutional Neural Networks in Python with Keras
訓練共通規則
1.目標の設定
CIFAR-10データセットに基づいて、簡単なCNNネットワークを訓練する.訓練したモデルを保存し、テストします.GPUトレーニングを使用する;
2.データセットの準備
すべての人工知能データセット総括カナダ高級研究所CIFAR-Xシリーズデータセット解析
データを探して、ラベルを打って、データは強化して、前処理して、今普通はすべて直接既存のデータを使います;例:CIFAR-10
3.モデル構築
ネットワークの定義:損失関数の設定、反復メソッドの最適化
一般的なモデルの一般的な損失関数の一般的な最適化方法
4.トレーニングネットワークとテスト
実際のラベルとの差はloss
ここでPPTを見ます:李宏毅は一日深く勉強します
5.モデルの保存 6.モデルの検証
使ったことのない図を持って、訓練した模型を使います.
7.評価モデルの方法
アップロードする
例えばファジイ行列を出力する
リファレンスリンク
https://www.jianshu.com/p/e704a6f6e8d3
直接このルートを参考にします:人工知能能力の構築とモデルのパラメータ調整の経験の共有
1.人工知能、機械学習、深い学習の関係
ブログリンク
2.データセット-需要
すべての人工知能データセットのまとめ
カナダ高級研究所CIFAR-Xシリーズデータセット解析
3.深さ学習プラットフォームの比較
https://en.wikipedia.org/wiki/Comparison_of_deep-learning_software
4.トレーニングプロセスの可視化
https://playground.tensorflow.org/使いやすい:https://cs.stanford.edu/people/karpathy/convnetjs/http://vision.stanford.edu/teaching/cs231n/index.html http://neuralnetworksanddeeplearning.com/chap4.html http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/
5.クラシックトレーニングケース
mnist:TensorFlow:MNIST for beginners step by step:Handwritten Digit Recognitionusing Convolutional Neural Networks in Python with Keras
訓練共通規則
1.目標の設定
CIFAR-10データセットに基づいて、簡単なCNNネットワークを訓練する.訓練したモデルを保存し、テストします.GPUトレーニングを使用する;
2.データセットの準備
すべての人工知能データセット総括カナダ高級研究所CIFAR-Xシリーズデータセット解析
データを探して、ラベルを打って、データは強化して、前処理して、今普通はすべて直接既存のデータを使います;例:CIFAR-10
3.モデル構築
ネットワークの定義:損失関数の設定、反復メソッドの最適化
一般的なモデルの一般的な損失関数の一般的な最適化方法
4.トレーニングネットワークとテスト
実際のラベルとの差はloss
ここでPPTを見ます:李宏毅は一日深く勉強します
5.モデルの保存
cfair10.pth(pytorch)
:マルチGPUトレーニングの方法はtorchを使用する.nn.DataParallel model.ckpt
:—>>checkpoint
xxx.ckpt.data-0000-of-00001
重み;xxx.ckpt.meta
図構造;xxx.ckpt.index
ウェイトノードインデックス)model_deploy.prototxt
(ネットワーク構造およびデータセット情報を記述する);train_iter_100.caffemodel
(重み)使ったことのない図を持って、訓練した模型を使います.
7.評価モデルの方法
アップロードする
例えばファジイ行列を出力する
リファレンスリンク
https://www.jianshu.com/p/e704a6f6e8d3